因果AI：超越金融中的相关性：Raktim Singh

如今，人工智能（AI）已成为整个行业的流行语。

在金融中，AI用于确定欺诈，自动化贷款决策，预测股票价格变动，并在某些情况下优化投资组合。但是，当代AI方法是有限制的 – 它们主要缺乏因果关系的明确依据，而是赞成相关性。

换句话说，AI具有识别大量数据模式的能力，但是在大多数情况下，无法确定基础数据中任何特定模式的识别的原因。

在金融中，了解“为什么”在确定给定投资决策的功效与确定不正确相关的成本方面至关重要。

这是 因果AI 进入。这是一个新兴的人工智能领域，它超出了预测的范围
因果关系。

对于金融机构，监管机构和投资者，这种转变可能是革命性的。

相关与因果关系：为什么在金融中重要

我们之前都听过：“相关并不意味着原因和效应。”

• 相关性： 两件事在一起。示例：在温暖的月份，冰淇淋的销售和鱼类的攻击可能与之相关，因为这一切或多或少是由于温暖的月份发生的或多或少。现在，在温暖的几个月中，人们吃更多的冰淇淋，而且更多的是游泳，因此有更多的机会被鱼攻击。

•因果关系： 一种或另一个仪器会挑衅或具有直接原因或作用，导致另一个仪器。示例：中央银行提高了利率，因此贷款下降。

在金融中，纯粹基于相关性做出决定可能会产生误导。以预测贷款违约的算法为例，因为，恰恰在特定社区中居住了许多贷款违约者。

贷款违约者和社区的数据中有一个相关性；但是，这并不意味着邻居造成默认值。违约的真正原因可能包括收入不稳定或就业市场状况。在缺乏理解因果关系的情况下，财务AI有助于不必要的偏见和不公平的决定。

什么是因果AI？ 因果AI是一种人工智能，涉及有关因果关系的理解，建模和推理。

Causal AI不简单地问“存在什么关系？”，而是问：

•“是什么导致这些结果发生？”

•“如果我们干预/创建更改，会发生什么？”

•“如果情况有所不同，该怎么办？”

Causal AI采用数学和统计工具（例如因果图和结构方程）来检查所有因素之间的关系。

例如，考虑一个因果AI的信用评分模型，该模型证明了收入稳定性如何导致还款可靠性，而社交媒体参与度相关，但没有相同的效果。

财务因果AI的案例

财务是关于后果的明确决策，而不仅仅是关于风险的预测！这就是为什么因果AI是金融行业的重中之重的原因：

1。更有效的风险评估

标准AI可以预测客户在贷款上违约的风险，但是因果AI可以告诉您为什么他们可能会违约。是因为他们丢了工作吗？利率远足？市场低迷？知道可能导致贷款违约的是什么使银行能够做出更明智的贷款决定。

2。遵守政策和法规

监管机构，无论是印度储备银行（RBI）还是美国美联储，都在寻找可解释的贷款和信用评分流程中的AI，并要求更高的透明度。因果AI允许某种透明度，因为它源于建立根本原因而不是系统的黑盒结论的原因。

3。投资决策

交易者了解市场有许多虚假的相关性。例如，股票价格可能与石油价格一度成正比，但要问的问题是石油是否真的推动了这些价格。因果AI有助于确定资产价格波动而不是虚假相关性的实际原因。

4。欺诈检测

许多欺诈检测方法仅仅因为依赖相关性而导致错误警报。因果AI可以通过隔离欺诈结果障碍的交易模式来提高准确性。

5。公平与道德

财务AI经常因偏见而受到批评 – 基于种族或地理位置的性别声誉拒绝贷款。因果AI消除了这些过滤的非毒物预测指标，从而导致决策在公平且合规上。

财务因果AI的插图

1。信用评分

传统的AI可能会确定经常在餐馆度过的个人更有可能拖欠贷款。人们会因为去餐馆而拖欠贷款吗？可能没有。

因果AI能够发现违约的根本原因，这些原因通常是不可预测的收入模式。他们为银行提供应塑造其还款政策而不侮辱某些生活方式选择的知识。

2。投资策略

想象一下，使用预测AI的基金经理来识别社交媒体趋势与股票价格变动之间的相关性。尽管这种方法具有短销售的功能，但在用作长期策略时会带来重大风险。

相比之下，因果AI可以识别推动股票绩效的基本因素，即利率，收益增长，监管变更等，使其对长期策略更可靠。

3。减少欺诈

假设AI将深夜提取现金的客户确定为“高风险”。这种相关并不意味着因果关系。

因果AI会向您展示欺诈性结果的驾驶员可能是帐户收购，而不是这是在10:00 pm发生的交易，需要更少的误报并使欺诈行为更易于管理。

因果AI有助于发现 真正的原因 在欺诈（被盗帐户）的背后，而不是错误地责怪偶然的东西（夜间提款）。

4。调节应力测试

压力测试是银行如何看待他们如何对诸如经济衰退之类的冲击做出反应。因果AI允许通过模拟进行测试，例如“如果失业率增加了3％，​​抵押贷款默认状况如何？” “如果”能力使模型更现实，对监管机构更有用。

因果AI采用的障碍

像所有创新一样，因果AI在金融领域也有收养障碍：

•数据需要： 因果AI需要结构化和高质量的数据。

•复杂性： 金融市场有许多相互作用的变量。

•文化变革： 银行一直与预测分析合作；转向因果思维需要以新的思维方式进行重新训练。

•计算成本： 运行模拟和反事实模型通常比运行简单的预测更为重。

因果AI的障碍被福利所胜过，尤其是在一个错误最终耗资数十亿美元的领域。

因果AI与预测性AI：一个简单的类比

考虑因果AI的一种有用方法就像是一个天气预报员：“明天要下雨，因为10次湿度上升了，下雨了！”

因果AI是一名气候科学家：“降雨是因为湿度的增加导致云层，从而导致降水。”

在金融中，预测性AI是 – “这个借款人看起来有风险，因为他们的个人资料适合先前的违约者。”

因果AI会 – 这个借款人有风险，因为由于突然失业而收入可能会下降，这会导致贷款偿还问题。

这种差异，理解“为什么”是强大的。

因果AI的财务未来

随着金融机构开始了解对可阐明，可靠和公平的AI的需求，越来越多的财务参与者已经在探索并与因果AI平台合作。

•许多创业公司（例如Causalens）仅专注于为业务决策开发因果AI。

•Microsoft，IBM和Google等全球技术领导者正在证明他们渴望研究企业AI中的因果方法。

•各种类型的银行和监管机构对关注因果关系的模型表现出真正的兴趣，应促进其做出决定，以实施一致的公平和遵守。

预计因果AI系统将通过提高透明度和合规性与机构和监管部门相关，类似于信用评分模型过去对融资的基础类似。

结论

财务与风险和回报有关。预测性AI表示您面临的风险，但并不能解释这些风险的根本原因。在可以做出十亿美元决策的领域，您将不会依靠简单的相关性。

因果AI解决了这一差距。通过使用因果关系，将更容易理解风险是什么，并且始终保持公平和最佳决定。

向银行，投资者，监管机构，客户等的前进，具有值得信赖的AI的透明度为透明度提供了未来，不仅是AI Smart，而且它也是一位透明，值得信赖的顾问！

简而言之，财务AI需要从预测性AI到因果AI，我们不仅想搜索模式，而且我们还想了解将财务从关联到相关的原因。